#kaggle Dépôts
Découvrez 19 dépôts GitHub open source actifs associés à #kaggle, cumulant 140,042 étoiles au total (soit une moyenne de 7,370 étoiles par projet). Le projet en tête de ce thème est donnemartin/data-science-ipython-notebooks, avec 28,776 étoiles.
19 dépôts au total
Notebooks Python pour la science des données : Deep learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fondamentaux de Python, AWS et diverses lignes de commande.
Livre interactif sur l'apprentissage profond avec code multi-frameworks, mathématiques et discussions. Adopté dans 500 universités de 70 pays, dont Stanford, MIT, Harvard et Cambridge.
Créez des livres audio à partir de livres numériques avec plus de 50 moteurs TTS, le clonage vocal et la prise en charge de 1 696 langues !
Un framework rapide, distribué et haute performance pour le gradient boosting (GBT, GBDT, GBRT, GBM ou MART) basé sur des algorithmes d'arbres de décision, utilisé pour le ranking, la classification et de nombreuses autres tâches d'apprentissage automatique.
Implémentation de U-Net en PyTorch pour la segmentation sémantique d'images avec des images de haute qualité
Une bibliothèque Gradient Boosting sur arbres de décision rapide, scalable et haute performance, utilisée pour le ranking, la classification, la régression et d'autres tâches d'apprentissage automatique pour Python, R, Java, C++. Prend en charge le calcul sur CPU et GPU.
Fouille de données, Vision par ordinateur, Traitement automatique du langage naturel, Connaissances en compétitions de systèmes de recommandation, Code, Idées
Approaching (Almost) Any Machine Learning Problem traduction chinoise, adresse de la documentation en ligne : https://ytzfhqs.github.io/AAAMLP-CN/
Framework rapide et personnalisable pour la création automatique de modèles ML (AutoML)
Modèles ouverts de niveau frontière sur un TPU v5e-8 gratuit de Kaggle : GLM-5.3-Flash 320B MoE (~165 tok/s, avec notre propre moteur JAX) et Qwen3.8-27B bf16 (~130 tok/s), contexte de 262k et mise en cache des préfixes. Compatible avec Claude Code, Codex, opencode et pi.
Perpetual est une machine de gradient boosting haute performance. Elle délivre une précision optimale en une seule exécution sans réglages complexes grâce à un simple paramètre de budget. Elle prend en charge, par défaut, le ML causal, l’apprentissage continu, la calibration native et la surveillance robuste du dérive, ainsi que le cœur Rust et des liaisons zéro‑copie pour Python et R.
Classer la description des crimes de Kaggle San Francisco en 39 classes. Construire le modèle avec CNN, RNN (GRU et LSTM) et Word Embeddings sur Tensorflow.
Une implémentation améliorée et reproductible d'une solution de prédiction de polymères open-source NeurIPS Kaggle Médaille d'Argent, avec canonicalisation SMILES, descripteurs moléculaires, modèles CatBoost/XGBoost, stacking OOF, et GNN PyTorch Geometric optionnels.
Foire aux questions
Quel est le dépôt #kaggle le plus populaire sur GitHub ?
Le projet #kaggle open source le mieux classé sur GitHub est donnemartin/data-science-ipython-notebooks, avec 28,776 étoiles. Notebooks Python pour la science des données : Deep learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fondamentaux de Python, AWS et diverses lignes de commande.
Quels langages de programmation sont les plus utilisés dans les dépôts #kaggle ?
Parmi les projets #kaggle les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, Astro.
Comment le classement des dépôts #kaggle est-il calculé ?
Nous suivons 19 dépôts open source actifs associés à #kaggle (500+ étoiles), totalisant 140,042 étoiles, avec une moyenne de 7,370 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.